Você digita uma frase, espera 50 milissegundos e uma resposta chega em streaming. Para a maioria dos usuários, tudo parece não ter peso. Aí chega a fatura: milhões de tokens de entrada, milhões de saída, comprimento de contexto, acerto ou erro de cache. Um pensamento surge: uma resposta intangível, cobrada como serviço público — por quê?
A resposta curta é que você está olhando para três contas diferentes ao mesmo tempo, e misturá-las é o que faz o preço da IA parecer uma contradição.
Três contas, uma resposta
- Custo de produção — o que realmente é necessário para gerar um token: eletricidade, chips, data centers, engenharia.
- Preço de mercado — o que o fornecedor cobra por token, já incluindo concorrência, lucro e segmentação.
- Custo da tarefa — quantos tokens um trabalho inteiro consome, de ponta a ponta.
Confundi-las gera as duas reclamações mais comuns: “eletricidade é barata, por que a IA é tão cara?” e “os preços caem sem parar, por que minha conta só cresce?”
Software é copiável a custo marginal quase zero. Inferência não. Toda geração passa por silício real, memória real, energia real e racks reais. “Um token parece software”, argumenta o livro Token Economy, “mas é cada vez mais indústria pesada”.
O bolo de cinco camadas
Em janeiro de 2026, em Davos, o CEO da NVIDIA, Jensen Huang, descreveu a infraestrutura de IA como um bolo de cinco camadas, de baixo para cima: Energia, Chips, Infraestrutura, Modelo, Aplicação — uma estrutura que ele repetiu na CES e na GTC 2026. Veja onde o dinheiro realmente vai, na inferência comercial em larga escala:
- Energia (10–20%). Real, mas não dominante. Com as tarifas industriais dos EUA ($0,06–0,08/kWh), um data center de 500MW queima mais de US$ 300 milhões por ano em eletricidade. Mas, contadas a depreciação de GPUs, HBM, rede e instalações, a energia representa apenas 10–20% do custo total de um token — o difundido “mito da eletricidade” confunde custo operacional com custo total de propriedade.
- Chips (40–55%). A maior camada e o gargalo de oferta. Um B200 custa de US$ 30 mil a 40 mil, e HBM mais embalagem avançada representa cerca de dois terços da lista de materiais de um chip de ponta. A razão técnica de a memória decidir a oferta: os pesos do modelo precisam residir na HBM para inferência eficiente, então a capacidade e a largura de banda da HBM limitam velocidade e concorrência. A HBM é um oligopólio — SK hynix ~57%, Samsung ~22%, Micron ~21% — e a participação da memória no capex dos hyperscalers saltou de ~8% (2023–24) para ~30% (2026), quase tudo impulsionado pela HBM.
- Infraestrutura (15–20%). Transformar milhares de chips em uma “fábrica de IA” funcional: fornecimento de energia, resfriamento líquido, racks, óptica, malhas InfiniBand, orquestração. Essa fatia oscila muito com a utilização das GPUs — o mesmo silício a 60% vs. 80% de utilização produz tokens a custos unitários bem diferentes.
- Modelo (10–15%). A camada mais macia e a que cai mais rápido. O treinamento é enorme — o GPT-4 custou ~US$ 40 milhões só em computação, mais de US$ 100 milhões segundo a cifra pública de Altman, e execuções da classe do GPT-5 chegam a bilhões ou dezenas de bilhões, antes do fator tentativa e erro. Mas truques de arquitetura cortam custo sem hardware novo: o DeepSeek V4 tem 1,6 trilhão de parâmetros, mas ativa apenas ~49B (≈3%) por token — como uma consultoria de 16 mil pessoas enviando uma força-tarefa de ~500 pessoas para cada projeto. A destilação permite que um modelo pequeno reproduza a capacidade de um grande a ~1% do custo de inferência.
- Aplicação (5–10%). Interface, integração, conformidade e segurança de conteúdo — o que transforma capacidade em algo que o cliente realmente compra.
Os percentuais exatos variam com a sua configuração — próprio vs. alugado, modelos de fronteira vs. econômicos, treinamento vs. inferência, tarefas longas vs. curtas — mas uma ordem é estável: as três camadas ligadas ao hardware dominam, tipicamente cerca de 70% ou mais.
Dois mitos, um “relógio duplo”
Mito 1: um token é eletricidade revendida. A eletricidade marginal de uma resposta é uma fração de centavo. Mas o custo total de um token também carrega depreciação de chips, custo de oportunidade da largura de banda de memória, utilização do data center e um prêmio de qualidade de serviço. Mesmo quilowatt-hora, chip diferente, utilização diferente — números de tokens drasticamente diferentes.
Mito 2: o custo por token é a métrica. O mesmo token nominal não é o mesmo custo. Inferência em modelos de ponta pode custar dezenas de vezes mais que as faixas econômicas; tarefas de contexto longo consomem muito mais memória que perguntas e respostas curtas; e o batching eleva a utilização do cluster de 60% para 70–80%, amortizando custos — que é exatamente por isso que o precificação por faixas da Google em 2026 divide o mesmo modelo em priority, standard, flexible e batch, com batch pela metade do preço — e o preço fora de pico nos fins de semana do DeepSeek é a mesma ideia: a tarifa por horário de uso está virando o padrão da indústria.
Por trás dos dois mitos está a ideia central do livro, o relógio duplo: o software corre rápido, a física corre devagar.
- Relógio rápido (algoritmos). O custo de inferência de capacidade equivalente caiu ~99,5% em três anos (cerca de 1/250, segundo o AI Index 2026 de Stanford). MoE, otimização de atenção, destilação e decodificação especulativa iteram em dias e semanas, no hardware que você já possui.
- Relógio lento (física). Data centers levam 18–36 meses e os prazos estão piorando; dos ~16GW de capacidade planejada nos EUA para 2026, só ~5GW estavam em construção em abril. Transformadores têm prazo médio de entrega de 128 semanas (vs. 6–8 meses antes da pandemia) e representam menos de 10% do custo da obra — um campus de US$ 2 bilhões pode ficar ocioso por um ano por causa de um pedido de transformadores de US$ 40 milhões. A capacidade de HBM cresce 30–50% ao ano contra demanda que dobra. E a eletricidade: a IEA projeta que o consumo global de data centers dobrem de ~415TWh para mais de 900TWh entre 2024 e 2029; o Goldman Sachs prevê um déficit de 45GW nos EUA até 2028; a fila de interconexão americana está em 2060GW com espera mediana próxima de cinco anos — a Google relata locais na fila há 12.
O Stargate da OpenAI é o símbolo: US$ 500 bilhões anunciados com grande alarde, obra pausada por filas na rede elétrica e atrasos de transformadores. Como colocou o Financial Times, “US$ 500 bilhões não compram velocidade do mundo físico, nem consentimento da comunidade” — a mesma dinâmica por trás do primeiro verão perdido da América para data centers, onde 550 projetos de lei de restrição tornaram o consentimento o recurso computacional mais escasso.
Pense em aço e carros: o preço do aço explica o aço, não por que o carro custa o que custa. O relógio algorítmico explica por que os preços despencam; o relógio físico explica por que a escassez nunca desaparece.
Por que isso importa
O relógio duplo resolve os dois fatos que parecem se contradizer: a guerra de preços da IA luta até o osso enquanto a computação segue apertada, e hyperscalers no mundo todo estão reconstruindo seus balanços como empresas de infraestrutura. Um medidor só faz sentido se você sabe que cada resposta aparentemente leve é cunhada de energia real, chips reais e espaço real em racks — e que essas camadas se movem num relógio medido em anos, não em semanas.
Quando a inteligência se torna uma commodity medida, precificada e acionável, a competição deixa de ser “quem escreve código melhor” e vira “quem consegue organizar energia, chips, modelos e demanda humana com mais eficiência”. Para as empresas de modelos, significa converter cada watt e cada GPU em mais tokens de alto valor. Para as nuvens, manter silício e racks mais ocupados. Para as aplicações, provar que os tokens realmente geraram um resultado pelo qual alguém paga.
O que fazer a respeito
- Separe as três contas. Ao negociar ou orçar, saiba se você está olhando para custo de produção, preço de tabela ou custo da tarefa inteira — misturá-los gera decisões ruins.
- Compre as faixas lentas. Adote as faixas batch e flexible (metade do preço na faixa batch da Google em 2026) para cargas que podem esperar; reserve faixas prioritárias para o que precisa ser instantâneo.
- Acompanhe a utilização, não só o preço. Os mesmos chips a 80% de utilização podem reduzir pela metade seu custo efetivo por token em relação a 60% — agende cargas intermitentes nos intervalos.
- Planeje o atraso de 12–18 meses. O hardware da NVIDIA corta o custo por token em 40–60% por geração, mas um chip anunciado hoje chega em escala um ano ou mais depois. Computação barata em um lugar e momento específicos ainda é escassa.
- Acompanhe a HBM, não só as GPUs. A memória é a nova restrição vinculante — os aumentos de preço de memória acabaram de elevar os servidores de IA em mais de 15%, transferindo o poder de precificação dos fornecedores de GPU para os fabricantes de memória — e sua participação no capex de nuvem triplicou em dois anos. A alocação, não os FLOPs brutos, está se tornando a verdadeira fila.
A conclusão não é um único número — não existe um “preço morto” para um token. Os preços mudam, os modelos mudam, a estrutura de custos muda com a tarefa e a implantação. Mas uma coisa é fixa: cada token é produzido por energia, chips e infraestrutura reais. Esse é o verdadeiro ponto de partida para entender a economia da IA.
FAQ
Por que os preços de IA continuam caindo enquanto minha conta cresce?
Você está misturando as três contas: os fornecedores cortam o preço de mercado, mas sua fatura acompanha o custo da tarefa — mais uso, contextos mais longos e upgrades para faixas de fronteira elevam o consumo total de tokens, enquanto as camadas físicas (chips, data centers) caem num relógio de 2 a 5 anos e a escassez persiste.
Qual camada do bolo de cinco camadas merece mais atenção?
Chips (40–55%) são o espinha dorsal dos custos, e dentro deles a HBM é o gargalo de oferta: SK hynix ~57%, Samsung ~22% e Micron ~21%. A capacidade cresce 30–50% ao ano contra demanda que dobra, e a participação da memória no capex de nuvem saltou de ~8% (2023–24) para ~30% (2026).
O que as equipes podem fazer hoje para cortar custos de IA?
Encaminhe cargas tolerantes à espera para faixas batch ou flexible (metade do preço na faixa batch da Google em 2026); eleve a utilização — 80% vs. 60% pode quase reduzir pela metade o custo unitário efetivo; e orce o atraso de hardware de 12–18 meses, já que computação barata em um dado lugar e momento ainda é escassa.
